基于支持向量机的风电偏航回转支承故障诊断.pdfVIP

第３６卷第 １期 南　京　工　业　大　学　学　报　（自然 科 学 版） Ｖｏｌ．３６Ｎｏ．１ ２０１４年１月 ＪＯＵＲＮＡＬＯＦＮＡＮＪＩＮＧＵＮＩＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｊａｎ．２０１４ － ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ２０１４．０１．０２２ 基于支持向量机的风电偏航回转支承故障诊断 钮满志，陈　捷，封　杨，王　华 （南京工业大学机械与动力工程学院，江苏 南京 ２１０００９） 摘　要：针对风电回转支承故障样本少、信号微弱且不易提取的特点，提出一种基于小波能谱和支持向量机相结 合的故障诊断方法。采用加速度信号的小波能谱与温度、扭矩信号组合构成特征向量，用支持向量机对正常、单个 螺栓断裂、多个螺栓断裂３种状态进行分类识别，结果分类准确率都达到１００％。样本不变，采用ＢＰ神经网络方法 分类的准确率分别为８４％、９２％和８０％。结果表明，支持向量机方法比ＢＰ神经网络更适用于风电回转支承的故障 诊断。 关键词：支持向量机；回转支承；故障诊断 － － － 中图分类号：ＴＰ２０６３　　　文献标志码：Ａ　　　文章编号２０１４ Ｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｗｉｎｄｐｏｗｅｒｙａｗｉｎｇｓｌｅｗｉｎｇｂｅａｒｉｎｇ ｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ ＮＩＵＭａｎｚｈｉ，ＣＨＥＮＪｉｅ，ＦＥＮＧＹａｎｇ，ＷＡＮＧＨｕａ （ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１０００９，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｗａｖｅｌｅｔｅｎｅｒｇｙｓｐｅｃｔｒｕｍａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ） ｗａｓｐｒｏｐｏｓｅｄｉｎｔｅｒｍｓｏｆｌｅｓｓｆａｕｌｔｓａｍｐｌｅｓ，ｗｅａｋｎｅｓｓｏｆｓｉｇｎａｌｓａｎｄｄｉｆｆｉｃｕｌｔｙｔｏｂｅｅｘｔｒａｃｔｅｄｏｆｗｉｎｄｐｏｗ ｅｒｓｌｅｗｉｎｇｂｅａｒｉｎｇ．Ｆｅａｔｕｒｅｖｅｃｔｏｒｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｗａｖｅｌｅｔｅｎｅｒｇｙｓｐｅｃｔｒｕｍｏｆａｃｃｅｌｅｒａｔｉｏｎ ｓｉｇｎａｌｗｉｔｈｔｅｍｐｅｒａｔｕｒｅａｎｄｔｏｒｑｕｅｓｉｇｎａｌ．Ａｎｄｔｈｒｅｅｎｏｒｍａｌｓｔａｔｅｓ：ｓｉｎｇｌｅｂｏｌｔｆｒａｃｔｕｒｅａｎｄｍｕｌｔｉｐｌｅｂｏｌｔ ｆｒａｃｔｕｒｅｗｅｒｅｃｌａｓｓｉｆｉｅｄｂｙｕｓｉｎｇＳＶＭｗｉｔｈｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆ１００％，ｗｈｉｌｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕ ｒａｃｉｅｓｆｏｒｔｈｅｓａｍｅｓａｍｐｌｅｓｒｅａｃｈｅｄｏｎｌｙ８４％，９２％，ａｎｄ８０％，ｒｅｓｐｅｃｔｉｖｅｌｙｂｙｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ ｍｅｔｈｏｄ．ＲｅｓｕｌｔｓｓｈｏｗｔｈａｔＳＶＭｍｅｔｈｏｄｉｓｍｏｒｅｓｕｉｔａｂｌｅｔｈａｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｅｔｈｏｄｆｏｒｗｉｎｄｐｏｗｅｒ ｓｌｅｗｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ． Ｋｅｙｗｏｒｄｓ：ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ）；ｓｌｅｗｉｎｇｂｅａｒｉｎｇ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ 　　回转支承由于设计、制造、安装和使用过程中 近年来，神经网络、专家系统等基于知识的智能 ［２］ 的各种因素会产生各种故障。其中有滚珠（或滚 信号处理方法 ，是今后大型回转支承故障诊断研究 柱）滚道点蚀磨损导致间隙增大、保持架碎裂、内外